From Subgroups to Population Composition: A Transportability Approach to Effect Heterogeneity

Resumo Técnico: Dos Subgrupos à Composição Populacional

Definição do Problema
Os métodos epidemiológicos tradicionais para analisar a heterogeneidade de efeitos baseiam-se em regressões paramétricas com subgrupos pré-especificados (por exemplo, termos de interação ou análises estratificadas). Embora simples, essas abordagens frequentemente falham em capturar padrões complexos e de alta dimensão de modificação de efeito e podem ocultar populações vulneráveis se o efeito médio for nulo ou protetor. Por outro lado, métodos recentes adaptativos aos dados (ex: meta-learners) melhoram a precisão da predição em cenários de alta dimensão, mas introduzem uma complexidade metodológica significativa e muitas vezes oferecem insights limitados sobre os drivers específicos da heterogeneidade. Há uma necessidade de uma abordagem conceitual que caracterize como os efeitos da exposição variam entre populações com diferentes composições sem exigir subgrupos pré-especificados ou algoritmos complexos e opacos.

Metodologia
Os autores propõem uma nova abordagem conceitual de três etapas para modelar o efeito da exposição ao nível populacional como uma função da distribuição dos modificadores de efeito. Este método utiliza frameworks de transportabilidade para estimar efeitos em populações hipotéticas.

1. Seleção de Variáveis: Os pesquisadores selecionam confundidores (para fechar caminhos de retrocesso/back-door) e modificadores de efeito com base em conhecimento prévio ou métodos adaptativos aos dados. A abordagem permite conjuntos de alta dimensão de modificadores, embora a interpretabilidade diminua com a dimensionalidade.
2. Estimativa em Populações Hipotéticas: O núcleo do método envolve a estimativa do Efeito Médio do Tratamento (ATE) em uma série de populações hipotéticas onde a prevalência de modificadores de efeito específicos é sistematicamente variada (por exemplo, através de quintis de 0% a 100%).
   • Isso é alcançado usando métodos de transportabilidade, tais como ponderação por odds inversas, balanceamento de entropia, padronização de modelo de desfecho (g-computation) ou estimadores duplamente robustos (ex: TMLE).
   • O processo assume condições padrão de identificação causal (consistência, positividade, troca de condicionalidade) e pressupostos específicos de transportabilidade, notadamente que não existem modificadores de efeito não mensurados e que os mediadores no caminho causal não diferem em distribuição entre a amostra do estudo e as populações hipotéticas.
3. Modelagem da Superfície de Efeito: Os ATEs estimados ao longo da gama de valores de prevalência são modelados como uma função da prevalência. Isso pode ser feito via regressão (linear, quadrática ou outras formas funcionais) para quantificar a relação entre a prevalência do modificador e o efeito ao nível populacional.

Principais Contribuições

• Mudança Conceitual: O artigo move a análise de heterogeneidade das comparações binárias de subgrupos para uma caracterização contínua de como os efeitos ao nível populacional mudam conforme a composição dos modificadores de efeito se altera.
• Dois Outputs Primários:
  1. Estimativa da mudança nos efeitos da exposição ao nível populacional atribuível ao aumento da prevalência do modificador de efeito.
  2. Classificação (ranking) das estimativas de efeito através de múltiplos modificadores e prevalências para identificar as características populacionais mais fortemente associadas à vulnerabilidade diferencial.
• Acessibilidade: Os autores fornecem um aplicativo Shiny em R para facilitar a implementação, permitindo que os pesquisadores visualizem a "superfície de efeito" sem exigir habilidades avançadas de programação ou pipelines complexos de meta-learners.
• Agnosticismo Metodológico: A abordagem é agnóstica ao método de estimativa específico utilizado no Passo 2, permitindo que os pesquisadores escolham o modelo mais apropriado para a escala e estrutura de seus dados.

Resultados (Aplicação de Estudo de Caso)
A abordagem foi demonstrada utilizando dados de Pesquisas Demográficas e de Saúde (DHS) para examinar os efeitos heterogêneos da seca no nanismo infantil (stunting) em países de baixa e média renda.

• Exposição/Desfecho: Seca (exposição) e nanismo infantil (desfecho).
• Modificadores de Efeito: Nível de escolaridade da mãe, residência rural e consumo de mídia de massa.
• Achados:
  • O ATE geral indicou um aumento de 1,4% no risco de nanismo devido à seca.
  • Escolaridade Materna: Populações com >60% de prevalência de ausência de escolaridade materna mostraram efeitos de exposição superiores à média. Em 100% de prevalência de ausência de educação, o risco aumentou em 3,3%. Inversamente, em populações com prevalência próxima de zero de ausência de educação (altamente escolarizadas), o efeito tornou-se negativo (sugerindo uma associação protetora), ilustrando uma heterogeneidade não linear que a análise estratificada poderia perder.
  • Residência Rural e Mídia: O efeito da seca aumentou a uma taxa acelerada com a prevalência de residência rural, mas aumentou a uma taxa desacelerada com o consumo de mídia de massa.
  • Modelagem: Regressões polinomiais de segunda ordem capturaram com sucesso essas relações não lineares, revelando reversões na direção das mudanças marginais que modelos lineares não detectariam.

Significância e Alegações
Os autores posicionam este trabalho como uma alternativa prática e de baixa complexidade às análias de heterogeneidade convencionais. Eles declaram explicitamente que a abordagem não visa melhorar a eficiência ou a precisão da predição da estimativa de efeito (um ponto forte dos meta-learners), nem resolve problemas de poder estatístico ou violações de positividade inerentes aos dados.

Em vez disso, a significância reside em:

1. Insight Acionável: Fornecer uma visualização clara da "superfície de efeito" para identificar subgrupos vulneráveis acionáveis para a priorização de intervenções (ex: direcionar programas de nutrição para áreas com baixa escolaridade materna e alto risco de seca).
2. Transportabilidade Interna: Permitir a exploração de toda a gama de modificação de efeito usando apenas os dados da amostra do estudo, sem a necessidade de um conjunto de dados alvo externo.
3. Interpretabilidade: Oferecer um framework que equilibra rigor metodológico com interpretabilidade para públicos externos, indo além da natureza de "caixa preta" de algumas abordagens de aprendizado de máquina de alta dimensão.

O artigo conclui que, embora o método tenha limitações quanto à eficiência e aos pressupostos sobre mediadores, ele fornece uma ferramenta necessária para caracterizar a superfície completa da modificação de efeito no contexto de choques climáticos e inequidades sociais.